Les modèles de vagues dits *phase-resolving*, comme FUNWAVE-TVD, restent une référence pour simuler avec précision les dynamiques côtières, notamment le déferlement, la réfraction ou l’évolution de vagues individuelles. Leur principal frein est toutefois leur coût de calcul, souvent incompatible avec les besoins opérationnels comme les ensembles de simulation, la quantification d’incertitude ou l’alerte en temps réel.
Dans ce contexte, l’article arXiv présente DU-NO (*Double U-shaped Neural Operator*), une architecture pensée pour améliorer le compromis entre précision et efficacité. L’idée consiste à combiner un opérateur spectral multi-échelle en forme de U avec de légères branches convolutionnelles de type U-Net, ajoutées uniquement aux niveaux les plus fins de l’encodeur et du décodeur. Les auteurs justifient ce choix par la présence des composantes à haute fréquence surtout sur les grilles fines, tandis que les niveaux plus grossiers peuvent rester purement spectraux.
D’après les résultats rapportés, DU-NO atteint 3,64 millions de paramètres, soit environ un ordre de grandeur de moins que U-FNO, la meilleure base de comparaison de l’étude. Sur le benchmark public FUNWAVE-TVD, le modèle afficherait la meilleure erreur de déroulement autorégressif parmi six architectures entraînées dans les mêmes conditions, avec une amélioration de 14,9 % par rapport à U-FNO et 10,8 fois moins de paramètres. Les auteurs indiquent aussi que l’avantage se maintient sur l’ensemble des bandes de fréquence, y compris les hautes fréquences.
L’étude suggère enfin que l’intérêt de DU-NO dépasse la seule modélisation des vagues côtières. Les auteurs rapportent des performances comparables aux meilleures références sur Navier-Stokes 2D, et supérieures sur des simulations *shallow-water* de PDEBench. Ces résultats restent à confirmer par des validations indépendantes, mais ils renforcent l’idée qu’une architecture plus ciblée peut réduire fortement la taille des modèles sans dégrader leur fidélité.